تطبيقات طرق التعلم الآلي لتحليل التغيرات في أنماط تعبير الجينات ظهرت مؤخرًا كأداة قوية في بحوث السرطان، مما يعزز فهمنا للآليات الجزيئية التي تكمن وراء نشوء السرطان وتقدمه. وقد أفادت العديد من الدراسات بأن الجمع بين بيانات تعبير الجينات وأنواع أخرى من البيانات الأوميكية (الجينومية، البروتينومية، إلخ) يحسن نتائج تصنيف السرطان. ومع ذلك، فإن دمج البيانات الأوميكية ذات الأبعاد العالية بشكل فعال وإدراك العلاقات المعقدة عبر الطبقات البيولوجية المختلفة لا يزال أمرًا صعبًا. يقدم هذا البحث LASSO-MOGAT (LASSO-الأوميكس المتعددة المُغلقة بالانتباه)، وهو إطار جديد للتعلم العميق القائم على الرسوم البيانية يدمج بيانات الحمض النووي الريبي الناقل (mRNA)، والحمض النووي الريبي الدقيق (miRNA)، والتثليج DNA لتصنيف 31 نوعًا من السرطان. يستخدم LASSO-MOGAT تحليل التعبير التفاضلي مع LIMMA والانحدار LASSO لاختيار الخصائص، ويستفيد من شبكات الانتباه الرسومية (GATs) لإدخال شبكات التفاعل البروتيني-البروتيني (PPI). أثبتت التجارب باستخدام التحقق المتقاطع الخماسي دقة الطريقة وموضوعيتها وقدرتها على تقديم رؤى شاملة حول آليات السرطان الجزيئية. وقد أظهر حساب معاملات الانتباه للأطراف في الرسم البياني بواسطة البنية المقترحة للشبكة الانتباهية القائمة على التفاعلات البروتينية-البروتينية فائدته في تحديد التناغمات في البيانات الأوميكية المتعددة لتصنيف السرطان.